Los 7 retos

Este artículo se centra en la IA singular que puede generar cada negocio, no en el consumo de IA que ofrecen los diferentes fabricantes, por lo tanto los retos descritos estarán en torno al concepto de aprendizaje de máquina.

1. NO racionalizar la solución.

Seguramente todos hemos oído o hemos dicho la frase: ¡No pienses tanto y haz más! Y seguramente la hemos oído en un entorno de trabajo.
La IA es precisamente eso, la IA no se construye a partir de racionalizar la solución al problema, si no de racionalizar la captación de datos para poder enseñar a una máquina a resolver el problema sin que deba pensarlo cada vez.

Así pues nosotros no controlamos la solución, sólo controlamos los datos que servirán para encontrar la solución. Enseñamos y después tenemos que confiar sin tener una explicación racional del porque la máquina está tomando unas decisiones y no otras.

 ¿Debemos confiar sin saber?

¡Sí! Recordemos la frase con la que comienza este punto: ¡No pienses tanto y haz más! Al final los negocios se basan en resultados, por lo tanto tenemos que confiar en la medida que vemos que aquello nos ayuda a aumentar los resultados y se percibe como valor positivo por parte de nuestros clientes.

El “pensamiento” en los negocios, al igual que en la IA, debe concentrarse en su definición y la definición de todos sus entornos, y no tanto en sus ejecuciones. Si un negocio lo tenemos bien definido en todos sus aspectos, todo será más fácil y también será mucho más fácil incorporar la IA.

Tenemos que pasar de Racionalizar las soluciones a Racionalizar los entornos que favorecen las tomas de decisiones. Por lo tanto el desafío cultural de la IA es también el desafío cultural de los negocios modernos y por tanto está plenamente alineado con el negocio.

2. Los requerimientos del Deep Learning.

Si bien es cierto que se ha avanzado mucho desde los años 60 cuando empezaron a ponerse en práctica las teorías sobre el Machine Learning, hoy en día seguimos necesitando una gran cantidad de datos para generar algoritmos de IA con un buen índice de acierto, y no siempre es posible la obtención de esta cantidad de datos, con calidad. Así pues, el primer desafío tecnológico es la captación de los datos, tanto cuantitativas como cualitativas.

La aparición de las tecnologías móviles y los IoTs, nos permiten tener un mundo sensorizado capaz de generar los datos que necesitamos para empezar a generar modelos de IAs.

El avance de la IA está íntimamente ligada al avance en la captación de datos y lo que también es muy importante, al coste de esta captación. El coste de almacenamiento y el de procesamiento ha caído en picado en los últimos 15 años, confiriendo un entorno ideal para la IA.

Ahora el reto se centra en la capacidad que tiene el negocio para obtener los datos y que éstos sean fiables.

3. Datos pensados para aprender (Etiquetado).

A veces tenemos los datos o los tenemos accesibles, pero cuando los analizamos nos damos cuenta que no son los datos adecuados para generar un aprendizaje de máquina, ya que han sido obtenidos con otra intencionalidad.

Venimos de un mundo basado en la experiencia de los profesionales, donde estos generan la obtención de datos según sus necesidades de análisis. Por lo tanto son datos que se han obtenido con la intención de ser leídos por expertos y no con la intención de enseñar a una máquina y esto supone un gran desafío sobre los datos actuales.

Así pues a veces nos encontramos con que tenemos los datos, pero falta informar ciertos aspectos para que sirvan a la máquina para aprender. Informar estos aspectos (etiquetas) muchas veces requiere de gran cantidad de recursos humanos que hacen inviable su etiquetado.

Actualmente hay varias metodologías que nos permiten superar este problema, ya sea partiendo de cero (Reproduciendo todo el entorno virtualmente), o ayudando a reproducir parte del entorno de forma virtual.

Redes adversas generativas (GAN). Imaginemos que tenemos un conjunto de datos que nos indican de forma clara y concisa los casos positivos, pero no tenemos los casos negativos. A veces reproducir de forma clara un caso positivo es muy difícil, pero reproducir un caso negativo no lo es tanto ya que lo podríamos hacer de forma virtual. Pongamos un ejemplo basado en imágenes: Intentamos generar una IA que sepa detectar fruta, y para ello tenemos un conjunto de imágenes etiquetadas que nos indican donde hay fruta, y por otro lado hemos generado un software 3D capaz de generar imágenes similares a las de la fruta, pero sabemos que no lo son porque lo hemos programado para que no lo sean. De este modo confrontamos las dos máquinas para que entre ambas se genere una IA más precisa a la hora de determinar si una imagen tiene fruta o no.

Con esta metodología, podemos resolver problemas donde el conjunto de datos etiquetados no es lo suficientemente cuantioso para generar satisfactoriamente la IA.

Aprendizaje reforzado. Esta metodología se basa en generar una recompensa en caso de que la decisión haya sido buena o un castigo en caso de que haya sido una mala decisión. El aprendizaje reforzado no parte de datos existentes si no que empieza el problema desde cero. Esto nos sitúa en un panorama donde el aprendizaje puede ser muy lento si los datos a obtener son lentos de obtener, o nos puede situar en un panorama tremendamente rápido si somos capaces de virtualizar el entorno y generar los datos de forma aleatoria y automática. Un ejemplo de este proceso de aprendizaje reforzado sería el AlphaGo de Google. Go es un juego que juegan 2 personas y donde hay unas reglas bien definidas. Pues bien, en vez de enseñar a la máquina a jugar a partir de miles de partidas digitalizadas, se decidió que, una vez determinadas las reglas, la máquina jugara contra sí misma millones de veces. Cada vez que hacía una serie de decisiones exitosas, se auto-recompensaba y cuando no lo eran auto-penalizaba. Al cabo de unas horas la máquina ya sabía jugar mejor que el campeón mundial de Go.

Pocas veces se puede reproducir un entorno de forma virtual, pero cuando lo podemos hacer, esta metodología resuelve claramente el problema de etiquetado.

4. Creación de datos.

Como ya hemos dicho, el aprendizaje de máquina requiere de gran cantidad de datos y su etiquetado, y esto frena la demanda de IA, ya que muchas veces entramos en una serie de problemáticas de difícil resolución o de resoluciones muy costosas.

Aparte del etiquetado, tenemos que generar toda una serie de conjunto de estos datos que hagan factible el aprendizaje y un test posterior para asegurarse de que el aprendizaje ha sido exitoso.

La industria tecnológica sabe que esto es uno de los grandes desafíos y están generando soluciones para minimizar este problema, soluciones capaces de aprender con conjuntos de datos muy reducidos. Una vez más, estas soluciones pasan por virtualizar los entornos para generar los datos de forma automática. Esto sólo es posible en casos donde ya exista un conocimiento muy grande de estos entornos que permita su virtualización y la utilización de máquinas que ya saben resolver parte del problema.

Hoy en día, esta tecnología aún es muy incipiente y no siempre es aplicable.

5. Las maquinas solo saben hacer 1 cosa.

Si bien, hoy en día se está haciendo mucha investigación para diseñar IAs de forma automatizada a partir de IAs existentes, estamos lejos de que esto sea una realidad de mercado. Además incrementa aún más la sensación de caja negra, ya que cada vez queda más lejos el control de lo que está sucediendo dentro.

6. Visión parcial y estática del mundo.

La sensorización cada vez más precisa, la relación entre los diferentes sensores, harán disminuir el problema de percepción parcial pero seguiremos teniendo una percepción estática. Sin embargo nuestro mundo no es estático, si no que está en permanente evolución.

Las máquinas hoy en día son capaces de tomar decisiones basándose en la percepción de una realidad presente o pasada, pero no son capaces de tomar una decisión basada en una tendencia de futuro. Esto generar un mundo estático y por tanto socialmente no aceptable.

La manera de resolver este problema en este momento es estar atento a estos cambios y tratar de regenerar el aprendizaje con nuevos datos.

7. La IA, una tecnología en constante movimiento.

En el mundo de los negocios actual hay que salir de este pensamiento basado en el miedo y entrar en un pensamiento basado en el análisis profundo que nos permita responder de forma precisa a las siguientes preguntas:

• ¿La IA me puede aportar valor al negocio?
• ¿A qué costo? ¿Es sostenible?
• ¿Estamos preparados?

La respuesta positiva a las 3 preguntas, debería hacer que se iniciaran de inmediato los proyectos de IA de la empresa, independientemente del constante movimiento de la tecnología, ya que un negocio no puede permitirse el lujo de no incorporar nuevos valores sostenibles.

Cada empresa tiene su momento en la IA, ya que la IA tiene diferentes estados de la tecnología y las empresas tienen diferentes estados de madurez digital. Así pues se trata de observar la tecnología y el estado de la empresa para averiguar si es bueno empezar a llevar a cabo proyectos de IA.